蜂群算法优化性能综合测试研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (21): 138-143.

• 数据库、数据挖掘、机器学习 • 上一篇下一篇

蜂群算法优化性能综合测试研究

梁禹1，2，刘宇1，2

1.大连理工大学软件学院，辽宁大连 116024
2.大连理工大学 IT服务工程与管理研究所，辽宁大连 116024

出版日期:2015-11-01 发布日期:2015-11-16

Comprehensive test and study of artificial bee colony algorithm

LIANG Yu1，2, LIU Yu1，2

1.School of Software, Dalian University of Technology, Dalian, Liaoning 116024, China
2.Institute of IT Service Engineering and Management, Dalian University of Technology, Dalian, Liaoning 116024, China

Online:2015-11-01 Published:2015-11-16

摘要/Abstract

摘要： 对蜂群算法的性能进行全面的测试和研究，实验分析了维数和粒子数对算法的影响，侦察蜂的活动对算法的影响以及初始解的位置对算法的影响。同时受遗传算法的启发，将典型的选择机制应用到蜂群算法并对其进行改进，并比较不同选择机制下蜂群算法的性能。实验结果表明，在粒子数为40，维数为10或者30，均匀分布初始解的位置，采用确定式选择法和无放回余数选择法代替蜂群算法中轮盘赌的选择方法的条件下，蜂群算法得到整体最好的优化结果。

关键词: 蜂群算法, 函数优化, 选择机制, 参数优化

Abstract: A comprehensive test and study of artificial bee colony algorithm’s performance is done. A series of experiments including effect of dimension and colony size, effect of scout bees and effect of initial region scaling are taken and analyzed. Meanwhile, inspired by genetic algorithm, ABC algorithm is applied with typical selection mechanisms and the performance with different selection mechanisms is compared. The experimental results show that ABC algorithm can obtain the global best optimum result in the condition of setting colony size be 40, dimension be 10 or 30, initial region scaling be symmetric distributed and the selection mechanism be deterministic sampling or remainder stochastic sampling with replacement instead of roulette wheel selection used in ABC algorithm.

Key words: artificial bee colony algorithm, function optimization, selection mechanism, parameter optimization

梁禹1，2，刘宇1，2. 蜂群算法优化性能综合测试研究[J]. 计算机工程与应用, 2015, 51(21): 138-143.

LIANG Yu1，2, LIU Yu1，2. Comprehensive test and study of artificial bee colony algorithm[J]. Computer Engineering and Applications, 2015, 51(21): 138-143.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[3]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[4]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[5]	巫光福，陈颖. 花授粉算法研究与应用综述[J]. 计算机工程与应用, 2021, 57(15): 30-41.
[6]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[7]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.
[8]	胡春阳，姜平，周根荣. 改进蚁群算法在AGV路径规划中的应用[J]. 计算机工程与应用, 2020, 56(8): 270-278.
[9]	李道全，王雪，于波，黄泰铭. 基于一维卷积神经网络的网络流量分类方法[J]. 计算机工程与应用, 2020, 56(3): 94-99.
[10]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[11]	陈忠云，张达敏，辛梓芸，张绘娟，闫威. 混沌精英质心拉伸机制的樽海鞘群算法[J]. 计算机工程与应用, 2020, 56(10): 44-50.
[12]	梁华刚，张志伟，王亚茹. 自适应Gabor卷积核编码网络的表情识别方法[J]. 计算机工程与应用, 2020, 56(10): 149-156.
[13]	朱淑芹，刘荣月，周冉冉，王文宏. 密钥动态选择机制的图像加密算法[J]. 计算机工程与应用, 2019, 55(9): 56-64.
[14]	谈庆，黄樟灿. 基于近邻套索算子的磷虾群算法[J]. 计算机工程与应用, 2019, 55(9): 124-129.
[15]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.

蜂群算法优化性能综合测试研究

Comprehensive test and study of artificial bee colony algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics